Onderzoekers hebben een innovatieve techniek ontwikkeld om de biomechanische eigenschappen van de oogzenuwkop (Optic Nerve Head, ONH) te bestuderen zonder dat daarvoor nieuwe of invasieve tests nodig zijn. Door gebruik te maken van kunstmatige intelligentie kunnen artsen nu mogelijk eerder vaststellen welke patiënten met glaucoom een verhoogd risico lopen op een snelle verslechtering van hun gezichtsvermogen.
Volgens een wetenschappelijke publicatie op arxiv.org van 11 november 2026 bevindt de benodigde data zich reeds in de reguliere medische dossiers van patiënten. De methode steunt op de analyse van routine-onderzoeken, waardoor waardevolle cambridge.org over de weefselstructuur en elasticiteit van het oog naar boven komt.
Analyse van oogdruk en beeldvorming
In de standaardzorg voor glaucoom worden twee onderzoeken frequent uitgevoerd: de meting van de intraoculaire druk (IOP) en beeldvorming via optische coherentietomografie (OCT). De onderzoekers maken gebruik van het feit dat de oogdruk tussen verschillende bezoeken varieert. Door OCT-volumes van bezoeken met verschillende drukwaarden met elkaar te vergelijken, kunnen zogenaamde 'strain maps' of rekkaarten worden opgesteld.
Deze kaarten bieden inzicht in de rekbaarheid van de oogzenuwkop en leggen structurele veranderingen in het weefsel, ook wel remodeling genoemd, vast over een langere periode. Deze gecombineerde cambridge.org stelt het AI-model in staat om patronen te herkennen die wijzen op een versnelde ziekteprogressie.
Resultaten en nauwkeurigheid
De studie was gebaseerd op een retrospectieve analyse van 525 ogen bij een groep van 430 patiënten. De wetenschappers maakten hierbij een onderscheid tussen patiënten met een langzame progressie en 'snelle progressors'. In die laatste categorie viel iedereen wiens visuele veldindex met 1,5% of meer per jaar daalde.
De effectiviteit van de AI-voorspellingen nam toe naarmate er meer data beschikbaar waren. Na één enkel vervolgbezoek, met een gemiddelde periode van 0,46 jaar, was de nauwkeurigheid 0,71 met een AUC (Area Under the Curve) van 0,75. Wanneer er vier vervolgbezoeken werden geanalyseerd, steeg de nauwkeurigheid naar 0,82 en de AUC naar 0,87. In 92% van de onderzochte gevallen was er voldoende variatie in de oogdruk om de biomechanische analyse mogelijk te maken.
Risicofactoren en klinische waarde
Om de AI-modellen interpreteerbaar te maken, gebruikden de onderzoekers de SHapley Additive exPlanations (SHAP)-methode. Hiermee konden specifieke fysieke kenmerken worden gekoppeld aan een snelle achteruitgang. De belangrijkste indicatoren bleken de elongatie van het prelaminaire gebied en de compressie van de neuroretinale rand te zijn, hoewel er wel aanzienlijke verschillen tussen individuele ogen werden waargenomen.
De praktische implicatie van dit onderzoek is dat medici sneller risicopatiënten kunnen identificeren door bestaande OCT-beelden en oogdrukmetingen te combineren. Omdat de benodigde gegevens al in de klinische dossiers staan, is er geen extra belasting voor de patiënt.
De studie, die is gecategoriseerd onder Image and Video Processing op , benadrukt dat de integratie van routinegegevens via geavanceerde algoritmen kan leiden tot een meer gepersonaliseerde behandeling van glaucoom. Voor wie meer wil weten over de dataset en de methodologie, is het volledige rapport beschikbaar via de .